深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
981	2026-06-05	Deep Learning Reconstruction in MRI: Unlocking Efficiency, Enhancing Image Quality, and Navigating Practical Limits 2026-Jun-03, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9404 PMID:42235965	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
982	2026-06-05	Diabetes Management Through Glucose Dynamics Analysis Network: A Novel Approach for Accurate Blood Glucose Level Forecasting 2026-Jun-03, Diabetes, obesity & metabolism DOI:10.1111/dom.70930 PMID:42236259	研究论文	提出一种名为葡萄糖动力学分析网络的新型混合框架，用于准确预测血糖水平	结合样条插值、扩张卷积残差网络、Adamax优化和双向长短期记忆网络的混合框架，有效处理缺失值、提取时空特征并优化超参数	需进一步进行硬件级验证和计算效率分析才能部署到实时和可穿戴糖尿病监测系统	提高血糖水平预测的准确性，以改进胰岛素给药决策支持系统	1型糖尿病患者的血糖水平	机器学习	糖尿病	NA	双向长短期记忆网络, 扩张卷积残差网络	时间序列数据	OhioT1DM数据集	Adamax	DilaConv-ResNet, BiLSTM	均方根误差, 平均绝对误差, R方, 均方误差	NA
983	2026-06-05	Association of Deep Learning-Derived Temporalis Sarcopenia with Mortality in Acute Ischemic Stroke 2026-Jun-03, The journals of gerontology. Series A, Biological sciences and medical sciences DOI:10.1093/gerona/glag149 PMID:42236280	research paper	研究深度学习从CT扫描中提取颞肌体积和密度评估急性缺血性脑卒中患者肌少症与死亡率的关系	首次利用深度学习模型自动从CT扫描中量化颞肌体积和密度，用于评估急性缺血性脑卒中患者的肌少症，并证明其对死亡率的增量预测价值	单中心回顾性研究，可能受选择偏倚影响；肌少症阈值基于50名健康成人推导，需进一步验证	评估深度学习衍生颞肌肌少症指标对急性缺血性脑卒中患者死亡率和住院时间的增量预测价值	2014至2023年连续收治的急性缺血性脑卒中患者	machine learning	急性缺血性脑卒中	CT扫描	深度学习模型	影像数据	2285名患者（1151名女性，平均年龄74.7岁）及50名健康成人对照	NA	NA	校正比值比及95%置信区间	NA
984	2026-06-05	Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly 2026-Jun-03, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.011 PMID:42236425	研究论文	开发和评估基于深度学习的产前超声图像脑室增大检测模型	利用超声数据预训练的自监督基础模型USF-MAE进行微调，在产前超声图像中检测脑室增大，模型具有可解释性	未提及具体局限性	开发并评估用于产前超声图像中检测脑室增大的深度学习模型	胎儿脑超声图像	计算机视觉	脑室增大	超声成像	Vision Transformer	超声图像	预训练使用超过37万张超声图像，微调使用胎儿脑图像数据集	PyTorch	USF-MAE, VGG-19, ResNet-50, ViT-B/16, MoCo v3	准确率, 精确率, 召回率, 特异度, F1分数, AUC-ROC, AUC-PR	NA
985	2026-06-05	Genetic architecture of white matter microstructure captured by unsupervised deep representation learning of fractional anisotropy maps 2026-Jun-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-73996-z PMID:42236496	研究论文	提出一种无监督深度表示学习框架UDR-WM，利用全脑分数各向异性（FA）图捕捉白质微结构的遗传结构	无需先验解剖假设，从体素级FA图学习无监督深度成像表型（UDIP-FA），相比传统ROI方法更敏感地检测衰老效应和SNP遗传力	NA	研究白质微结构的遗传基础及其与脑疾病、认知功能的关联	白质微结构的遗传结构	机器学习	脑疾病	扩散磁共振成像	深度学习	图像	NA	NA	UDR-WM	NA	NA
986	2026-06-05	Quantifying agricultural resilience under climate variability: a data-driven climate resilience index for European cereal systems 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54921-2 PMID:42236573	研究论文	提出一种数据驱动的气候韧性指数，用于评估欧洲谷物系统在气候变异性下的农业韧性	将长期生产力趋势与短期气候波动分离，利用机器学习与深度学习模型（包括TCN-LSTM混合架构）构建多维度的气候韧性指数，并通过主成分分析整合气候暴露指标	未明确提及具体研究限制	量化欧洲谷物系统在气候变异性下的农业韧性，建立综合的多维度评估框架	欧洲谷物系统，包括不同国家的产量时间序列数据	机器学习	不适用	气候指数分析、产量时间序列分解	随机森林、CatBoost、CNN、LSTM、TCN、TCN-LSTM混合模型	产量时间序列数据、气候极端指数数据	未明确说明具体样本数量，但涉及多个欧洲国家	未明确说明	TCN-LSTM混合模型、LSTM、TCN、CNN、随机森林、CatBoost	R²（决定系数）	NA
987	2026-06-05	Interpretable graph deep learning framework for drug synergy prediction by integrating functional and clinical similarities 2026-Jun-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02830-z PMID:42236581	研究论文	提出一个名为DSimSynergy的图深度学习框架，用于预测药物协同作用	通过整合生物过程与临床应用的药物相似性网络，结合图注意力机制处理分子指纹和基因表达，实现高精度预测并具备可解释性	未提及具体限制	开发高效的药物协同预测模型，降低实验成本并揭示协同作用的生物机制	药物组合协同效应预测及分子机制挖掘	机器学习	肿瘤	NA	图深度学习	药物分子指纹、细胞系基因表达、药物相似性网络	多个独立数据集	NA	图卷积网络、图注意力网络	预测准确性	NA
988	2026-06-05	A multimodal deep learning model predicting hyperprogressive disease for PD-1 blockade in advanced hepatocellular carcinoma 2026-Jun-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02834-9 PMID:42236582	研究论文	开发了一种基于Transformer的多模态深度学习模型HOPE，用于预测晚期肝细胞癌患者接受PD-1抑制剂治疗后出现超进展疾病的风险	首次构建融合动脉期和门静脉期CT影像与结构化临床因素的多模态Transformer模型，用于PD-1抑制剂治疗前的超进展疾病风险分层	回顾性研究设计可能引入选择偏倚，外部验证集AUC较低（0.687）表明模型泛化性有待提升	开发并验证一种可靠的预处理工具，用于识别晚期肝细胞癌患者接受PD-1抑制剂治疗后发生超进展疾病的高风险人群	接受PD-1抑制剂为基础三联疗法的晚期肝细胞癌患者	计算机视觉	肝细胞癌	CT影像	Transformer	影像和临床结构化数据	665例晚期肝细胞癌患者	NA	Transformer	AUROC	NA
989	2026-06-05	LG-Transformer: learned-graph transformer framework enabling diverse physicochemical properties prediction toward fuel design 2026-Jun-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-73853-z PMID:42236708	研究论文	提出一种基于学习图特征融合的Transformer框架（LG-Transformer），结合对比学习构建分子间关系图，实现燃料多种理化性质预测	通过对比学习构建基于拓扑描述符和性质相似性的分子间关系图，利用Transformer层进行性质感知的特征传播，突破传统图神经网络仅关注分子内信息的局限	未提及模型在更大分子库或实际发动机测试中的验证结果，且数据库的覆盖范围可能影响泛化能力	实现高精度、可解释的燃料理化性质预测，加速绿色燃料设计	1850种不同化学类别的燃料分子及17种与发动机性能相关的理化性质	机器学习	NA	对比学习、图神经网络、Transformer	Transformer（Graph-based）	分子结构数据、理化性质数据	1850种燃料分子，涵盖26个化学类别	PyTorch	LG-Transformer（学习图特征融合Transformer）	相关系数R（平均0.900）	NA
990	2026-06-05	River depths and widths dataset for the territory of Poland 2026-Jun-03, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07537-0 PMID:42236741	研究论文	介绍一个高分辨率河流宽度与深度数据集，用于波兰境内	首次为波兰地区提供高分辨率、基于实地测量的河流宽度与深度数据集，具有严格质量控制并与公开数据集验证	未明确说明局限性	提供用于遥感及机器学习训练与验证的高质量河流参数参考数据集	波兰246条河流的宽度、深度、水位及中心点坐标	机器学习	NA	现场大地测量断面测量	深度学习	数值数据	20782条记录，源自246条河流的断面测量	NA	NA	相关系数(R=0.93), 均方根误差(RMSE=35.1米), 中位数距离(1.8米)	NA
991	2026-06-05	Cross-modal latent alignment enables efficient compression of wearable sEMG and accelerometer signals 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-52577-6 PMID:42236780	研究论文	提出一种跨模态潜在对齐框架，用于高效压缩可穿戴设备采集的表面肌电信号和加速度计信号	首次引入跨模态潜在对齐机制，通过帧级对应和时间动态一致性在训练时对齐两种模态的潜在表示，且对齐模块在推理时完全移除，不增加额外计算开销	未提及在更复杂传感器组合或真实临床噪声环境下的性能评估	实现带宽受限可穿戴设备中多模态生物信号的高效压缩，同时保持任务相关特征	表面肌电信号和加速度计信号	机器学习	NA	NA	自动编码器	时序信号	两个Ninapro数据集（具体样本数量未说明）	NA	五种骨干架构（未具体列出，如ResNet、VGG、Transformer等，但提及为骨干无关）	相关系数，信噪比（SNR），准确率	NA
992	2026-06-05	An explainable meta-learned hybrid CNN-transformer model with dual attention for leukemia diagnosis from peripheral blood smears 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55606-6 PMID:42236788	研究论文	提出一种基于元学习的混合CNN-Transformer模型Meta-Conformer-XAI，用于从外周血涂片图像进行白血病的无创诊断	整合了双注意力特征融合块、元学习路径控制器和基于强化学习的置信度估计器三大创新，并融合多种可解释性方法提升临床可信度	未提及在多中心、大规模真实临床环境中的验证，以及模型对罕见亚型的泛化能力	开发一种非侵入性、精确且可解释的深度学习框架，用于急性淋巴细胞白血病的早期诊断	外周血涂片显微镜图像中的白血病细胞和正常细胞	机器学习	白血病	NA	CNN-Transformer混合模型	图像	两个基准数据集：ALL Image Dataset和C-NMC Leukemia Dataset	PyTorch	CNN与Vision Transformer混合架构、Grad-CAM、SHAP、LIME、Integrated Gradients	准确率、AUC-ROC	NA
993	2026-06-05	Smart meter health state prediction based on residual-connected self-attention ConvLSTM network 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54371-w PMID:42236786	研究论文	提出一种基于残差连接自注意力卷积长短时记忆网络 (ConvLSTM) 的智能电表健康状态预测方法	在堆叠的ConvLSTM层间引入残差捷径连接以缓解梯度消失和网络退化，并集成自注意力机制根据诊断相关性动态重新校准时空特征表示	尚未进行更广泛的跨区域验证，计算可扩展性和可解释性仍有待改进	实现智能电表健康状态的准确预测，确保计量可靠性并支持智能计量基础设施中的状态维护	智能电表的健康状态	机器学习	NA	NA	残差连接自注意力ConvLSTM网络	时间序列数据	12860个智能电表跨越36个月的数据	NA	Residual-Connected Self-Attention ConvLSTM	总体准确率、宏F1分数	NA
994	2026-06-05	A multi-layer airport security framework using YOLO-based X-ray detection, video anomaly analysis, IoT sensor monitoring and blockchain logging 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-52894-w PMID:42236795	研究论文	提出一种多层机场安全框架，集成基于YOLO的X光检测、视频异常分析、物联网传感器监控和区块链日志记录	创新性地将YOLO基X光违禁物品检测、3D-CNN自编码器视频异常检测和LSTM自编码器物联网传感器异常检测三种互补模块与区块链安全日志系统融合，并通过统一多模态风险评分机制实现协同决策	未提及具体局限性，但可能包括模型在极端遮挡或微小目标场景下的检测性能、区块链系统在超大规模部署中的扩展性等潜在问题	开发自动化、可扩展且安全的机场安检监控系统，提升威胁检测的实时性和可靠性	机场安检场景中的X光行李图像、监控视频和物联网传感器数据	计算机视觉, 机器学习, 物联网	NA	X射线成像, 视频监控, 物联网传感, 区块链	YOLO, 3D-CNN自编码器, LSTM自编码器	图像, 视频, 时间序列数据	使用CLCXray数据集训练X光检测模块，未见具体样本数量	PyTorch	YOLOv11-s, YOLOv8-s, 3D-CNN自编码器, LSTM自编码器	mAP, ROC-AUC, 重建误差, 检测延迟, 每秒交易数	未提及具体计算资源信息
995	2026-06-05	Quantitative measurement of agonistic behaviors of intra- and interspecifics of Gryllus bimaculatus and Acheta domesticus by using DeepLabCut 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55331-0 PMID:42236810	研究论文	利用DeepLabCut定量测量双斑蟋和家蟋的种内和种间攻击行为	首次使用基于深度学习的无标记姿态估计工具DeepLabCut，对双斑蟋和家蟋的种内和种间社会行为进行综合量化分析，替代传统人工观察方法	种间攻击行为强度相对较弱，且可能因物种组合差异导致某些性别组合中攻击行为不明显	展示一种使用DeepLabCut分析双斑蟋和家蟋种内和种间社会行为的综合方法，验证其作为量化工具的准确性和可靠性	双斑蟋（Gryllus bimaculatus）和家蟋（Acheta domesticus）的配对交互行为	计算机视觉	不适用	DeepLabCut姿态估计	深度学习模型	视频	多对配对蟋蟀（具体数量未明确提及）	NA	DeepLabCut	平均似然值（0.94）、低似然百分比（3.85%）、敏感性（0.8）、精确度（0.7）	NA
996	2026-06-05	ScaHybNet: a scalogram-based hybrid ensemble network for ECG arrhythmia classification 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53755-2 PMID:42236839	研究论文	提出了一种基于尺度图的混合集成网络ScaHybNet，用于心电图心律失常多分类	结合残差块CNN、双向LSTM和Transformer编码器构建混合模型，并采用尺度图变换和类别平衡策略处理数据不均衡	未在真实临床环境中验证，且对未知类别性能可能有限	实现准确及时的心律失常检测，预防心脏猝死	心电图心跳分类数据集，包括109446个样本和五种心跳类别	计算机视觉	心血管疾病	连续小波变换	CNN, LSTM, Transformer	图像	109446个样本，五种心跳类别	NA	残差块CNN，BiLSTM，Transformer编码器	准确率、精确率、召回率、F1分数	NA
997	2026-06-05	Adaptive spatiotemporal graph learning for multi-horizon probabilistic wind power forecasting 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53844-2 PMID:42236856	研究论文	提出自适应时空图神经网络框架用于多时域概率风电功率预测	集成站点特定气象输入和SCADA数据到动态演化图结构，边缘自适应重新加权以捕捉由风气候驱动的站间相关性变化；采用统一多目标损失函数，结合平均误差最小化、连续排序概率得分和时域平滑正则化	未明确说明，但从上下文推断可能依赖高分辨率数据和特定风电场簇，泛化性需进一步验证	提高风电功率预测的准确性、可靠性和时域一致性，优化现代电力系统运营	12个地理分散站点的风电场簇的高分辨率数据	机器学习	NA	SCADA数据、气象数据	时空图神经网络	时序数据	两年高分辨率数据，来自12个地理分散站点	NA	ST-GNN	RMSE, CRPS, 校准误差, 时域秩一致性	NA
998	2026-06-05	Deep learning-based cross-modal MR-CT registration for brain metastases radiotherapy with multi-scale feature refinement and brainstem guidance 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55496-8 PMID:42236931	研究论文	提出一种基于深度学习的多尺度特征细化与脑干引导的MR-CT跨模态配准框架，用于脑转移瘤放疗的精准靶区勾画	引入多尺度特征细化模块增强层次化特征交互，并利用脑干分割作为解剖先验指导训练，在不依赖肿瘤标注的情况下提升配准精度	配准精度的提高伴随局部变形折叠比例增加，拓扑正则性降低，表明高容量Transformer框架需在精度与变形稳定性间显式平衡	改进MR与CT跨模态可变形配准，实现脑转移瘤放疗中靶区的精确定位	脑转移瘤患者的MR与CT图像对，重点针对脑干及肿瘤区域	计算机视觉，数字病理	脑转移瘤	MRI，CT	Transformer	图像	141对脑转移瘤患者的MR-CT图像	PyTorch	TransMorph，MSFRTransMorph	Dice相似系数，95%豪斯多夫距离，雅可比变形度量	NA
999	2026-06-05	Gsformer: a dual-architecture deep learning framework with CNN-self-attention and sparse-attention for genomic selection 2026-Jun-03, Genetics, selection, evolution : GSE DOI:10.1186/s12711-026-01055-8 PMID:42237097	研究论文	提出Gsformer，一种结合CNN自注意力与稀疏注意力的双架构深度学习框架，用于基因组选择表型预测	首次提出双架构深度学习方法（CSA结合CNN与自注意力捕获局部和长程基因组依赖，NSA采用原生稀疏注意力提升计算效率），并在多种动植物的六大数据集上验证有效性	在部分性状上Gsformer-NSA的准确性略低于Gsformer-CSA，且需要调整topN超参数以优化性能	开发高效的深度学习框架进行基因组选择，提升表型预测能力	猪、牛、鸡、小鼠、小麦和玉米等动植物基因组与表型数据	机器学习	NA	高通量测序（基因组SNP数据）	CNN-自注意力（CSA）、稀疏注意力（NSA）	基因组SNP数据和表型数据	六组数据集覆盖多种动植物物种，具体样本数未在摘要中说明	PyTorch（基于深度学习的实现）	CSA（CNN与自注意力结合）、NSA（稀疏注意力机制）	准确性、SHAP值	未在摘要中说明，但建议使用GPU以减少计算成本
1000	2026-06-05	THC-net: an attention-based deep learning model for chromatin compartment prediction from histone modifications 2026-Jun-03, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06504-1 PMID:42237102	研究论文	提出了一种基于注意力机制的深度学习模型THC-Net，用于从组蛋白修饰数据预测染色质区室	首次将Transformer自注意力、Hyena算子的长序列建模能力和CNN局部特征提取优势融合，实现跨细胞系的高精度染色质区室预测	模型主要依赖活性增强子或启动子的强信号来定义A区室，可能对弱信号依赖的染色质结构预测存在局限	开发一种低成本、高效的计算方法，替代Hi-C实验以预测跨细胞类型的染色质A/B区室动态变化	六种人类细胞系（IMR90、HMEC、K562、GM12878、HUVEC、NHEK）中的染色质区室	机器学习	NA	深度学习	混合模型（Transformer + Hyena + CNN）	组蛋白修饰信号	6种细胞系	PyTorch	THC-Net（基于自注意力机制的混合架构）	AUROC	NA